X射線計(jì)算機(jī)斷層(Computed Tomography,CT)成像技術(shù)自提出以來(lái)就廣泛應(yīng)用于臨床診斷。與其他放射學(xué)診斷方式相比,CT技術(shù)具有分辨率高、價(jià)格便宜等優(yōu)點(diǎn),但過(guò)量的X射線照射可能會(huì)增加癌癥、遺傳病以及白血病的發(fā)病率,且輻射的劑量會(huì)在病人體內(nèi)累積。所以,控制輻射劑量以獲得低劑量CT(LDCT)圖像具有重要意義。降低輻射劑量的方式有許多種,其中降低管電流是最簡(jiǎn)單有效的,所以也最常用。但管電流的降低會(huì)在投影數(shù)據(jù)中引入量子噪聲,導(dǎo)致重建的CT圖像中產(chǎn)生斑點(diǎn)噪聲和條形偽影,嚴(yán)重干擾醫(yī)生對(duì)病癥的診斷,所以提高低劑量掃描條件下重建的CT圖像質(zhì)量具有重要的臨床意義。為了改善低劑量CT圖像的質(zhì)量,本文從稀疏表示理論、非局部均值理論、形態(tài)分量分析和偏微分方程方法等角度進(jìn)行深入研究,提出了三種低劑量CT圖像域后處理算法。主要包含的內(nèi)容如下:(1)為了解決非局部中心稀疏表示(Nonlocally Centralized Sparse Representation,NCSR)算法處理低劑量CT圖像會(huì)殘留條形偽影,不能很好地保護(hù)細(xì)節(jié)信息,且具有較高的計(jì)算復(fù)雜度等問(wèn)題,本文提出了一種基于固定主成分分析(Principal Component Analysis,PCA)子字典、NCSR和相對(duì)總變分(Relative Total Variation,RTV)的低劑量CT圖像后處理算法,稱為SNCSR模型。在SNCSR模型中,為了學(xué)習(xí)更準(zhǔn)確的子字典,低劑量CT圖像由改進(jìn)的總變分(Improved Total Variation,ITV)模型預(yù)處理,ITV正則項(xiàng)的加權(quán)系數(shù)是由截尾正則化的局部測(cè)度構(gòu)造的。另外,為了更稀疏地表示恢復(fù)的圖像,用圖像塊的梯度協(xié)方差矩陣的最大特征值區(qū)分結(jié)構(gòu)信息和背景區(qū)域。此外,SNCSR模型在迭代開(kāi)始之前僅學(xué)習(xí)一次固定子字典,不像NCSR模型在每一次外循環(huán)中都學(xué)習(xí)子字典,顯著縮短了算法的運(yùn)行時(shí)間。最后,用RTV模型進(jìn)行濾波,進(jìn)一步去除恢復(fù)圖像中殘留的條形偽影。在仿真骨盆體模、實(shí)際胸腔體模和臨床腹部數(shù)據(jù)上進(jìn)行的實(shí)驗(yàn)表明,與其他幾種對(duì)比去噪算法相比,所提出的SNCSR模型具有較低的計(jì)算復(fù)雜度,可以更有效地提高低劑量CT圖像質(zhì)量。(2)提出一種基于分離(Separation-Based,SEPB)的算法用于抑制低劑量CT圖像中的斑點(diǎn)噪聲和條形偽影。其中,通過(guò)圖像分解算法RC將低劑量CT圖像分解為殘余斑點(diǎn)噪聲的結(jié)構(gòu)圖像和殘余結(jié)構(gòu)細(xì)節(jié)的條形偽影圖像。通過(guò)K-奇異值分解(K-SVD)算法對(duì)結(jié)構(gòu)圖像進(jìn)行濾波去除殘余的斑點(diǎn)噪聲,并且通過(guò)形態(tài)分量分析(Morphological Component Analysis,MCA)理論提取條形偽影圖像中的結(jié)構(gòu)細(xì)節(jié)。將提取的結(jié)構(gòu)細(xì)節(jié)加到濾波的結(jié)構(gòu)圖像中得到低劑量CT結(jié)果圖像。同時(shí),在提取結(jié)構(gòu)細(xì)節(jié)的過(guò)程中,用局部直覺(jué)模糊熵校正從條形偽影圖像中學(xué)習(xí)的條形偽影字典,即去除其中的結(jié)構(gòu)原子。在仿真改進(jìn)Shepp_Logan體模數(shù)據(jù)和仿真骨盆體模數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)驗(yàn)證所提SEPB算法的有效性,實(shí)驗(yàn)結(jié)果表明,SEPB算法在主觀視覺(jué)效果和客觀評(píng)價(jià)指標(biāo)方面都具有較好的表現(xiàn)。(3)提出了一個(gè)新型的總變分(Novel Total Variation,NTV)模型。因?yàn)榧?xì)節(jié)區(qū)域的標(biāo)準(zhǔn)差和灰度概率大于噪聲背景區(qū)域,邊緣的梯度模大于噪聲背景區(qū)域,因此NTV模型正則項(xiàng)的加權(quán)系數(shù)由標(biāo)準(zhǔn)差、灰度概率和梯度模構(gòu)成,使模型自適應(yīng)地平滑低劑量CT圖像。此外,為了有效地保護(hù)邊緣和細(xì)節(jié),NTV模型的保真項(xiàng)由三維塊匹配(Block-Matching 3D,BM3D)濾波模型構(gòu)造,因?yàn)樗茌^好地保持邊緣和細(xì)節(jié)。在仿真改進(jìn)Shepp_Logan體模數(shù)據(jù)、仿真骨盆體模數(shù)據(jù)和實(shí)際胸腔體模數(shù)據(jù)上進(jìn)行實(shí)驗(yàn),與其他幾種對(duì)比算法相比,主觀視覺(jué)效果和客觀評(píng)價(jià)指標(biāo)均表明NTV模型能更有效地消除斑點(diǎn)噪聲和條形偽影,并保護(hù)邊緣和細(xì)節(jié)。
【學(xué)位單位】：中北大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2019
【中圖分類】：R814;TP391.41
【部分圖文】：

探測(cè)器圖 2.1 CT 成像系統(tǒng)定的能量和穿透力，當(dāng)用 X 射線掃描物體時(shí)，物體用，使得 X 射線的能量發(fā)生衰減。不同物體對(duì) X 射原子序數(shù)和密度有關(guān)。CT 成像中不考慮物體對(duì) X 射收作用造成的衰減。 射線穿過(guò)一分布均勻的物體，X 射線強(qiáng)度的衰減服從射前強(qiáng)度為0I ，X 射線在均勻物體中行進(jìn)的距離為 衰減系數(shù)，則經(jīng)過(guò)物體衰減后的 X 射線強(qiáng)度I 可表示0xI I e 越大，I 越小，表明物體對(duì) X 射線的衰減作用越大

掃描斷層中掃描路徑的極坐標(biāo)方減系數(shù)為 ( x , y)的物體，得 ) ( , ) ( cos y dl x y x .9)是 Radon 變換。為 Radon 反變換：2 2 11 cos( )yx y tg x 投影數(shù)據(jù) p ( r , )求出不同的

圖2.6(a)-(b)是固定 22000，分別設(shè)置 =100if 和 =200if 的改進(jìn) Shepp_Logan 體模投影圖，圖 2.6(a1)-(b1)是相應(yīng)的通過(guò) FBP 重建的低劑量 CT 圖像；圖 2.7(a)-(b)是固定 62000，分別設(shè)置 =100if 和 =200if 的骨盆體模投影圖，圖 2.7(a1)-(b1)是相應(yīng)的通過(guò) FBP 重建的低劑量 CT 圖像。2.5圖像質(zhì)量評(píng)價(jià)方法評(píng)價(jià)算法性能的手段一般分為主觀視覺(jué)觀察和客觀評(píng)價(jià)指標(biāo)，本文研究的低劑量CT 圖像后處理算法也是借助這兩種方法評(píng)價(jià)的。主觀視覺(jué)觀察，是以高劑量 CT 圖像
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 賈麗娟;;關(guān)于圖像分辨率的教學(xué)思考[J];印刷世界;2011年05期

2 丁曉蓮;周激流;李曉華;吳朋;;人臉識(shí)別率與圖像分辨率關(guān)系的比較分析[J];計(jì)算機(jī)工程;2009年11期

3 張秀屏，劉錫國(guó)，叢玉良;提高彩電圖像分辨率的研討[J];光學(xué)精密工程;1994年02期

4 衛(wèi)紅;為DVD機(jī)配哪種彩電[J];家庭科技;2000年07期

5 ;斯波特5衛(wèi)星商業(yè)圖像分辨率將達(dá)2.5m[J];國(guó)際太空;1997年05期

6 卜麗靜;張銘娟;陳方惠;許崢輝;趙曉宇;;利用地面靶標(biāo)的超分辨率重建圖像分辨率評(píng)價(jià)[J];測(cè)繪科學(xué);2019年12期

7 宋其華;郭根生;;解析計(jì)算機(jī)圖像分辨率[J];中國(guó)電化教育;2003年11期

8 谷梗;;數(shù)字圖像分辨率定義與其計(jì)量方法——對(duì)“數(shù)字電影技術(shù)術(shù)語(yǔ)普及讀本”有關(guān)條目的商榷意見(jiàn)[J];現(xiàn)代電影技術(shù);2013年07期

9 ;教你詳細(xì)了解各種分辨率[J];計(jì)算機(jī)與網(wǎng)絡(luò);2011年24期

10 謝美華;王正明;;圖像分辨率增強(qiáng)的偏微分方程方法[J];遙感學(xué)報(bào);2005年06期

相關(guān)博士學(xué)位論文 前10條

1 樊春玲;數(shù)據(jù)驅(qū)動(dòng)的圖像感知和質(zhì)量評(píng)價(jià)方法[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院);2019年

2 陳文斌;低劑量CT圖像偽影消除及細(xì)節(jié)保護(hù)算法研究[D];中北大學(xué);2019年

3 卞春江;光學(xué)遙感圖像有效區(qū)域在軌實(shí)時(shí)檢測(cè)與壓縮技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

4 牛仁杰;星載ATP圖像處理平臺(tái)關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所);2018年

5 穆楠;夜間場(chǎng)景下顯著目標(biāo)檢測(cè)方法研究[D];武漢科技大學(xué);2019年

6 張士杰;超像素級(jí)圖像組協(xié)同關(guān)聯(lián)性分析與研究[D];天津大學(xué);2017年

7 王文勝;寬幅光學(xué)遙感圖像艦船飛機(jī)目標(biāo)檢測(cè)識(shí)別技術(shù)研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2018年

8 孫琨;圖像匹配與場(chǎng)景三維重建方法研究[D];華中科技大學(xué);2017年

9 霍麗娜;基于視覺(jué)感知與注意機(jī)制的圖像顯著目標(biāo)檢測(cè)[D];西安電子科技大學(xué);2016年

10 王體春;基于保真性準(zhǔn)則的圖像智能增強(qiáng)和圖像質(zhì)量評(píng)價(jià)的理論和方法[D];重慶醫(yī)科大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 孫志琳;基于深度學(xué)習(xí)的行人再識(shí)別研究[D];山西大學(xué);2019年

2 鄧芮;基于視覺(jué)感知和數(shù)據(jù)緊湊表達(dá)的圖像美感質(zhì)量評(píng)估方法[D];華南理工大學(xué);2019年

3 唐義嫄;離散小波域的圖像混沌加密和隱藏方法研究[D];重慶郵電大學(xué);2018年

4 林思哲;基于自底向上的視覺(jué)顯著性檢測(cè)模型研究[D];電子科技大學(xué);2019年

5 辛佳佳;基于DSP的同時(shí)偏振圖像去霧系統(tǒng)設(shè)計(jì)[D];長(zhǎng)春理工大學(xué);2019年

6 張大偉;基于GAN的人臉圖像補(bǔ)全算法研究[D];長(zhǎng)安大學(xué);2019年

7 杜一凡;基于深度學(xué)習(xí)的全心肌分割算法研究[D];北京交通大學(xué);2019年

8 韋永來(lái);基于攝像機(jī)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的行人再識(shí)別研究[D];合肥工業(yè)大學(xué);2019年

9 閆峰;基于優(yōu)化極限學(xué)習(xí)機(jī)算法對(duì)焊點(diǎn)的質(zhì)量識(shí)別[D];云南大學(xué);2018年

10 朱冠菲;基于MR數(shù)據(jù)生成偽CT數(shù)據(jù)的研究[D];中國(guó)計(jì)量大學(xué);2018年

本文編號(hào)：2865329